Refine
Year of publication
Document Type
- Part of a Book (152) (remove)
Is part of the Bibliography
- no (152)
Keywords
- Ablauforganisation (1)
- Abrechnungsmodell (1)
- Administration (1)
- Agile Entwicklung (1)
- Agrarproduktion (1)
- Anforderungen (1)
- Anforderungserhebung (1)
- Anforderungsermittlung (1)
- Anforderungsmanagement (1)
- Arbeit 4.0 (9)
Institute
- FIR e. V. an der RWTH Aachen (152)
- Produktionsmanagement (51)
- Dienstleistungsmanagement (50)
- Informationsmanagement (27)
- Business Transformation (25)
Ziel des Beitrags ist es, aufzuzeigen, wie produzierende Unternehmen entlang der Customer-Journey systematisch kundenbezogene Daten erheben können. Nach einer Einleitung zur Motivation der Themenstellung, einer Begriffserläuterung und einer Vorstellung des Studiendesigns wird ein Referenzprozessmodell der Kundeninteraktionen produzierender Unternehmen gestaltet, darauf aufbauend ein Datenmodell des digitalen Schattens der Kundeninteraktionen abgeleitet und zuletzt ein Vorgehensmodell zur Implementierung des digitalen Schattens der Kundeninteraktionen präsentiert.
Robotic Process Automation (RPA) gewinnt durch die Möglichkeit, repetitive Administrationsprozesse zu automatisieren und Effizienzpotenziale zu heben, zunehmend an Bedeutung. In der Praxis scheitern jedoch viele Implementierungsprojekte. Dies resultiert primär aus dem fehlenden Verständnis darüber, wie sich die Einführung von RPA auf das Gesamtsystem Organisation auswirkt. Es entsteht eine wachsende Kluft zwischen dem Leistungsversprechen von RPA und der Fähigkeit von Unternehmen, jenes auszuschöpfen. Trotz der exponentiellen Geschwindigkeit des technologischen Fortschritts mangelt es vielen Unternehmen an der notwendigen Adaptionsfähigkeit, welche für den nachhaltigen Erfolg einer RPA-Implementierung essenziell ist. In diesem Kontext spielt die Optimierung der im Einklang stehenden Dimensionen Mensch, Technik und Organisation eine zentrale Rolle. Durch eine systematische Literaturrecherche wird aufgezeigt, dass bisherige Ansätze diesen Zusammenhang nur unzureichend betrachten. In der heutigen Forschungslandschaft existiert kein Modell, welches die technischen, sozialen und organisatorischen Komponenten, die im Zuge der RPA-Einführung zu berücksichtigen sind, darlegt. Angelehnt an das soziotechnische Systemdenken und den Prozess der Fallstudienforschung werden theoriegeleitet Dimensionen und Elemente einer RPA-spezifischen soziotechnischen Systemarchitektur identifiziert und erläutert. Das daraus resultierende Modell zur Unterstützung von Unternehmen bei der RPA-Einführung wurde mit einer Vielzahl Industrievertretern im Rahmen des öffentlichen Forschungsprojekts RPAsset des FIR e. V. an der RWTH Aachen validiert.
„Promovieren? Promovieren!" Mit diesem Slogan wirbt das FIR an der RWTH Aachen in seinen Stellenanzeigen für die industrienahe Promotion am Forschungsinstitut. Was junge Hochschulabsolvent:innen der Ingenieur- und Wirtschaftswissenschaften dazu motiviert, diesen Weg zu gehen, welche Erfahrungen sie am FIR machen und welche Perspektiven die Mitarbeit sowie die Promotion am FIR für ihre zukünftige Karriere eröffnet, beantworteten Dr. Jana Frank, ehemals Bereichsleiterin Dienstleistungsmanagement am FIR und heute 'Country Business Head' für Singapur und Malaysia bei der Henkel AG & Co. KGaA sowie Antoine Gaillard, seit Februar 2022 wissenschaftlicher Mitarbeiter des FIR an der RWTH Aachen im Bereich Produktionsmanagement.
In short-term production management of the Internet of Production (IoP) the vision of a Production Control Center is pursued, in which interlinked decision-support applications contribute to increasing decision-making quality and speed. The applications developed focus in particular on use cases near the shop floor with an emphasis on the key topics of production planning and control, production system configuration, and quality control loops.
Within the Predictive Quality application, predictive models are used to derive insights from production data and subsequently improve the process- and product-related quality as well as enable automated Root Cause Analysis. The Parameter Prediction application uses invertible neural networks to predict process parameters that can be used to produce components with desired quality properties. The application Production Scheduling investigates the feasibility of applying reinforcement learning to common scheduling tasks in production and compares the performance of trained reinforcement learning agents to traditional methods. In the two applications Deviation Detection and Process Analyzer, the potentials of process mining in the context of production management are investigated. While the Deviation Detection application is designed to identify and mitigate performance and compliance deviations in production systems, the Process Analyzer concept enables the semi-automated detection of weaknesses in business and production processes utilizing event logs.
With regard to the overall vision of the IoP, the developed applications contribute significantly to the intended interdisciplinary of production and information technology. For example, application-specific digital shadows are drafted based on the ongoing research work, and the applications are prototypically embedded in the IoP.
Long-term production management defines the future production structure and ensures the long-term competitiveness. Companies around the world currently have to deal with the challenge of making decisions in an uncertain and rapidly changing environment. The quality of decision-making suffers from the rapidly changing global market requirements and the uniqueness and infrequency with which decisions are made. Since decisions in long-term production management can rarely be reversed and are associated with high costs, an increase in decision quality is urgently needed. To this end, four different applications are presented in the following, which support the decision process by increasing decision quality and make uncertainty manageable. For each of the applications presented, a separate digital shadow was built with the objective of being able to make better decisions from existing data from production and the environment. In addition, a linking of the applications is being pursued:
The Best Practice Sharing App creates transparency about existing production knowledge through the data-based identification of comparable production processes in the production network and helps to share best practices between sites. With the Supply Chain Cockpit, resilience can be increased through a data-based design of the procurement strategy that enables to manage disruptions. By adapting the procurement strategy for example by choosing suppliers at different locations the impact of disruptions can be reduced. While the Supply Chain Cockpit focuses on the strategy and decisions that affect the external partners (e.g., suppliers), the Data-Driven Site Selection concentrates on determining the sites of the company-internal global production network by creating transparency in the decision process of site selections. Different external data from various sources are analyzed and visualized in an appropriate way to support the decision process. Finally, the issue of sustainability is also crucial for successful long-term production management. Thus, the Sustainable Footprint Design App presents an approach that takes into account key sustainability indicators for network design. [https://link.springer.com/referenceworkentry/10.1007/978-3-030-98062-7_15-1]
Europa als erster klimaneutraler Kontinent bis 2050 – unter diesem ambitionierten Ziel treibt die Europäische Union eines der größten Transformationsprogramme dieses Jahrhunderts voran. Das Leben und die Gesellschaft wie sie heute existiert, werden in allen Bereichen signifikanten Musterwechseln unterliegen. Von zentraler Bedeutung bei dieser Transformation wird die Mobilität von Personen und Gütern sein. Eine Reduktion von 90 % der Treibhausgasemissionen soll in weniger als drei Dekaden realisiert werden. Insbesondere im Bereich der Urbanen Logistik ist ein nahtloses Zusammenspiel der verschiedensten Akteure, unterstützt durch neuartige digitale und physische Infrastrukturen, notwendig, um eine nachhaltige Zielerreichung bei mindestens konstantem Serviceniveau sicherzustellen. Cross-industrielle Ansätze, die über das Zusammenspiel von komplementären Lösungsbausteinen Co-Creation ermöglichen, werden zum zentralen Wettbewerbsvorteil für alle Akteure. Die Gestaltung von Business Ecosystems rückt deshalb zunehmend in den Fokus und wird aufgrund des enormen Potenzials für die Urbane Logistik in diesem Beitrag beleuchtet.
Vor dem Hintergrund zunehmend komplexer und vernetzter Wertschöpfungsnetzwerke und in Zeiten sich ständig verändernder Rahmenbedingungen steigt für Unternehmen die Bedeutung einer resilienten Gestaltung ihrer Wertschöpfungsnetzwerke. Durch die hohe Vernetzung in einem Wertschöpfungsnetzwerk entsteht eine starke Abhängigkeit zwischen den einzelnen Akteuren. Störungen haben somit häufig nicht nur Auswirkungen auf einzelne Unternehmen, sondern betreffen verschiedene Akteure der Wertschöpfungsnetzwerke. Tritt nun eine Störung auf, kann sich diese im gesamten Netzwerk ausbreiten. Erst der konkrete Eintritt solcher Störungen im großen Umfang – wie zuletzt im Zuge der Corona-Pandemie oder der Blockierung des Suez-Kanals – führt Unternehmen regelmäßig dazu, sich mit ihren Wertschöpfungsnetzwerken auseinander zu setzen. Eine Möglichkeit zur Sicherung der Leistungsfähigkeit in einem volatilen Umfeld stellt der Aufbau von Resilienz dar. Insgesamt ist es hierbei das Ziel, Wertschöpfungsnetzwerke so zu gestalten, dass sie im Falle einer Störung möglichst wenig beeinträchtigt sind und schnell in den ursprünglichen oder einen besseren Zustand zurückkehren können.
Anwendungsfälle wie intelligente Routenoptimierung und fortschrittliche Simulationsalgorithmen repräsentieren das riesige Einsatzspektrum von Methoden der künstlichen Intelligenz. Steigende Anforderungen an Liefertermintreue, Flexibilität und Transparenz wie bspw. Emissionsverfolgung, erfordern zunehmend den Einsatz von KI. Die Nutzung dieser Schlüsseltechnologie und die Hebung der Potenziale scheitern oft an der Komplexität in Bezug auf die Eingrenzung und Identifikation von wirtschaftlich relevanten Anwendungsfällen. Unternehmen müssen den Business Fit zwischen den wirtschaftlichen Erfolgsaussichten und den dafür benötigten digitalen Bausteinen herstellen. Mit dem Digital-Architecture Management lassen sich die relevanten KI-basierten Anwendungsfälle identifizieren und eine Roadmap aufbauen, um die datenbasierte Entscheidungsfähigkeit in der Logistik zu verbessern.
This chapter presents key challenges of digital pricing: selling value propositions, data-driven quantification of value, the design of value-driven pricing models, and the definition of subscription-based price metrics. To structure the pricing for smart-product-service offerings promisingly, a framework with four specific elements has been developed. To address the value propositions properly, this chapter presents four archetypes for offering smart-product-service systems. The chapter concludes by presenting an approach to quantify customer value for digital products and services.
A stronger work orientation or even the integration of learning into activities will be one of the central basic requirements for the success of Industrie 4.0. Using the example of the project 'E-Mas – Exporting blended vocational education and training for industrial process design and optimization into the Mexican automotive sector', the paper discusses the development and implementation of a highly work oriented further education program. Together the partners Research Institute for Industrial Management (FIR) e. V. at RWTH Aachen University, MTM ASSOCIATION e. V. [MTMA], WBA Aachener Werkzeugbau-Akademie GmbH [WBA] in cooperation with the Mexican Instituto Tecnológico y de Estudios Superiores de Monterrey [ITESM] pursue the goal of designing and exporting innovative further education programs for skilled workers, developers, and operative management personnel of the Mexican automotive sector and especially German companies operating in Mexico.